专题讲座-遗传算法原理与应用报告.ppt

对控制参数的改进 Schaffer建议的最优参数范围是： M = 20-100， T = 100-500， Pc = 0.4-0.9， Pm = 0.001-0.01。 对控制参数的改进 Srinvivas等人提出自适应遗传算法，即PC和Pm能够随适应度自动改变，当种群的各个个体适应度趋于一致或趋于局部最优时，使二者增加，而当种群适应度比较分散时，使二者减小，同时对适应值高于群体平均适应值的个体，采用较低的PC和Pm，使性能优良的个体进入下一代，而低于平均适应值的个体，采用较高的PC和Pm，使性能较差的个体被淘汰 。 对执行策略的改进 混合遗传算法 免疫遗传算法 小生境遗传算法 单亲遗传算法 并行遗传算法 三、遗传算法的应用 1、遗传算法的应用领域 2、遗传算法的应用示例 1、遗传算法的应用领域 （1）组合优化 （2）函数优化 （3）自动控制 （4）生产调度 （5）图像处理 （6）机器学习 （7）人工生命 （8）数据挖掘 遗传算法应用于组合优化 随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时在计算机上用枚举法很难甚至不可能求出其最优解。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、网络路由等具有NP难度的组合优化问题上取得了成功的应用。 2、遗传算法的应用示例 弹药装载问题（Ammunition Loading Problem，简称ALP），就是在满足各类通用弹药运输规程和安全性的前提下，如何将一批通用弹药箱装入军用运输工具，使得通用弹药的装载效率达到最大值的问题。 谢谢大家! QA (3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应度最高的个体，即31（11111）出现为止。 首先计算种群S1中各个体：s1= 13(01101),??? s2= 24(11000)s3= 8(01000),????? s4= 19(10011)的适应度f (si), 容易求得：f (s1) = f(13) = 13^2 = 169f (s2) = f(24) = 24^2 = 576f (s3) = f(8) = 8^2 = 64f (s4) = f(19) = 19^2 = 361 再计算种群S1中各个体的选择概率： 由此可求得P(s1) = P(13) = 0.14P(s2) = P(24) = 0.49P(s3) = P(8) = 0.06P(s4) = P(19) = 0.31 再计算种群S1中各个体的积累概率 ? 交叉 设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。 设s1’与s2’配对，s3’与s4’配对。s1’ =11000（24）,? s2’ =01101（13）s3’ =11000（24）,? s4’ =10011（19）分别交换后两位基因，得新染色体：s1’’=11001（25）,? s2’’=01100（12）s3’’=11011（27）,? s4’’=10000（16） 变异?? 设变异率pm=0.001。这样，群体S1中共有5×4×0.001=0.02位基因可以变异。0.02位显然不足1位，所以本轮遗传操作不做变异。 于是，得到第二代种群S2：s1=11001（25）,?? s2=01100（12）s3=11011（27）,?? s4=10000（16） 3、遗传算法的特点 （1）群体搜索，易于并行化处理； （2）不是盲目穷举，而是启发式搜索； （3）适应度函数不受连续、可微等条件的约束，适用范围很广。 二、遗传算法原理 1、遗传算法的数学基础 2、遗传算法的收敛性分析 3、遗传算法的改进 1、遗传算法的数学基础 （1）模式定理 （2）积木块假设 模式 模式是指种群个体基因串中的相似样板，它用来描述基因串中某些特征位相同的结构。在二进制编码中，模式是基于三个字符集(0,1,*)的字符串，符号*代表任意字符，即 0 或者 1。 模式示例：10**1 两个定义 定义1：模式 H 中确定位置的个数称为模式 H 的阶，记作O(H)。例如O(10**1)=3 。 定义2：模式 H 中第一个确定位置和最后一个确定位置之间的距离称为模式 H 的定义距，记作δ(H)。例如δ